Accueil › Glossaire › Memory-Augmented Agent

Memory-Augmented Agent

Un memory-augmented agent est un agent IA piloté par un LLM, équipé d’un système de mémoire externe qui lui permet de stocker, organiser, récupérer et mettre à jour des informations au-delà de sa fenêtre de contexte, afin de maintenir une cohérence à long terme et d’apprendre de ses expériences passées.

Un LLM sans mémoire est un amnésique fonctionnel : chaque conversation repart de zéro. Il ne se souvient pas de vos préférences, des tâches précédentes, ni des erreurs qu’il a commises. La mémoire est le composant qui transforme un LLM stateless en un véritable agent IA capable de s’adapter, d’apprendre et de maintenir un contexte sur le long terme.

La recherche sur la mémoire des agents a explosé en 2025-2026. Un survey récent (décembre 2025) recense plus de 200 papiers sur le sujet. La conclusion clé : les taxonomies traditionnelles (mémoire court terme / long terme) ne suffisent plus à capturer la diversité des systèmes de mémoire contemporains.

Pourquoi la mémoire est essentielle

Les LLM ont une fenêtre de contexte finie. Même avec 1M tokens (Claude Opus 4.6, Gemini 3.1 Pro), cette fenêtre ne suffit pas pour les agents longs ou les interactions répétées avec un même utilisateur. La mémoire résout trois problèmes fondamentaux :

Continuité entre sessions : un assistant personnel doit se souvenir de vos préférences, de vos projets en cours et de vos décisions passées. Sans mémoire, chaque conversation est une première rencontre.

Raisonnement sur l’horizon long : un agent qui travaille sur une tâche de 2 heures ne peut pas garder toutes les informations dans son contexte. Il doit externaliser ses résultats intermédiaires, ses observations et ses décisions dans une mémoire qu’il peut consulter sélectivement.

Apprentissage par l’expérience : un agent Reflexion qui se souvient de ses erreurs passées évite de les répéter. Un agent commercial qui se souvient des préférences de chaque client produit de meilleures recommandations.

Types de mémoire

Inspirée des neurosciences cognitives, la taxonomie des mémoires d’agents IA distingue plusieurs types complémentaires.

Mémoire à court terme (Short-Term Memory)

La mémoire à court terme correspond au contexte courant de la conversation : l’historique des messages, les résultats d’outils récents, la trajectoire en cours dans la boucle Think-Act-Observe. Elle est volatile (disparaît à la fin de la session) et limitée par la fenêtre de contexte du LLM.

C’est la forme de mémoire la plus simple et la plus universelle. Tout chatbot possède une mémoire à court terme : l’historique de la conversation.

Mémoire à long terme (Long-Term Memory)

La mémoire à long terme persiste entre les sessions. Elle stocke les faits appris, les préférences utilisateur, les connaissances acquises et les expériences passées. C’est ce qui donne la continuité à un agent : il vous reconnaît, se souvient de vos projets et adapte son comportement.

Les implémentations varient : stockage en texte dans des fichiers (CLAUDE.md dans Claude Code), base de données vectorielle (pour la recherche sémantique), graphe de connaissances (pour les relations entre entités), ou base de données relationnelle.

Mémoire épisodique

La mémoire épisodique stocke des épisodes complets : des séquences d’actions, d’observations et de résultats liés à une tâche spécifique. C’est la mémoire des « expériences vécues ». L’agent Reflexion utilise une mémoire épisodique pour stocker les réflexions sur ses tentatives passées.

Mémoire sémantique

La mémoire sémantique stocke des connaissances factuelles générales, indépendantes du contexte dans lequel elles ont été apprises. « L’utilisateur préfère Python à JavaScript » est un fait sémantique. Contrairement à la mémoire épisodique qui retient le quand et le comment, la mémoire sémantique retient le quoi.

Mémoire procédurale

La mémoire procédurale stocke des savoir-faire : des patterns d’action réutilisables, des scripts de résolution de problèmes, des « skills » que l’agent a appris à exécuter. Le framework SkillRL (2026) distille les trajectoires réussies en skills réutilisables plutôt que de stocker les trajectoires brutes.

La boucle Write-Manage-Read

Tous les systèmes de mémoire d’agents implémentent trois opérations fondamentales :

Write (écriture) : l’agent décide quelles informations méritent d’être mémorisées. Cela peut être automatique (stocker chaque observation) ou sélectif (ne mémoriser que les informations jugées importantes). AgeMem (janvier 2026) expose les opérations de mémoire comme des outils, permettant au LLM de décider autonomement quoi stocker et quand.

Manage (gestion) : consolider, résumer, mettre à jour ou supprimer des mémoires. Les mémoires obsolètes doivent être retirées, les mémoires contradictoires résolues, et les mémoires verboses résumées. Les approches vont du simple LRU (least recently used) aux courbes d’oubli d’Ebbinghaus et aux scores de saillance avec décroissance temporelle.

Read (lecture) : récupérer les mémoires pertinentes au moment où l’agent en a besoin. La recherche peut être par similarité sémantique (embeddings), par mots-clés, par récence, par importance, ou par une combinaison pondérée de ces critères.

Architectures de mémoire

Mémoire textuelle (fichiers)

L’approche la plus simple : stocker les mémoires dans des fichiers texte que l’agent peut lire et écrire. Claude Code utilise des fichiers CLAUDE.md à la racine des projets pour persister le contexte entre sessions. LangChain Deep Agents utilise un filesystem virtuel pour externaliser les résultats intermédiaires.

Avantages : simple, inspectable par l’humain, pas d’infrastructure supplémentaire. Inconvénients : pas de recherche sémantique, ne scale pas à des milliers de mémoires.

Mémoire vectorielle

Les mémoires sont encodées en embeddings vectoriels et stockées dans une base vectorielle (Pinecone, Weaviate, Chroma, Qdrant). La récupération se fait par similarité cosinus : l’agent formule une requête, et les mémoires les plus proches sémantiquement sont retournées.

C’est l’approche la plus courante pour la mémoire à long terme. Elle supporte la recherche sémantique (« trouve les mémoires liées au projet de refactoring ») et scale bien.

Mémoire en graphe

Les mémoires sont stockées comme des nœuds dans un graphe de connaissances, reliés par des arêtes sémantiques. Le système A-MEM (février 2025) s’inspire de la méthode Zettelkasten : chaque mémoire est une « note » enrichie de mots-clés, tags, descriptions contextuelles, et de liens dynamiques vers d’autres mémoires sémantiquement proches.

L’avantage : les nouvelles expériences ne font pas qu’ajouter des mémoires, elles peuvent aussi mettre à jour rétroactivement le contexte des mémoires existantes, permettant au graphe de mémoire d’évoluer comme un apprentissage associatif humain.

Architecture modulaire multi-mémoire

Les systèmes les plus avancés (MIRIX, 2025) structurent la mémoire en modules spécialisés : Core Memory (identité et instructions), Episodic Memory (expériences vécues), Semantic Memory (connaissances factuelles), Procedural Memory (savoir-faire), Resource Memory (fichiers et données), Knowledge Vault (connaissances vérifiées). Un méta-manager coordonne l’accès aux différents modules selon le contexte.

Les memory features des chatbots

Claude (Anthropic) : la memory feature de Claude stocke des faits et préférences entre conversations. L’utilisateur peut consulter et modifier ses mémoires dans les paramètres. La mémoire est alimentée automatiquement par les conversations et sélectivement par l’utilisateur.

ChatGPT (OpenAI) : ChatGPT Memory stocke des informations persistantes entre sessions. L’utilisateur peut dire « souviens-toi que je préfère le code en Python » et ChatGPT le retiendra. La fonctionnalité est activable/désactivable dans les paramètres.

Gemini (Google) : Gemini intègre une mémoire liée au compte Google, qui peut stocker des préférences et du contexte persistant.

Ces memory features grand public sont des formes simples de mémoire sémantique : elles stockent des faits déclaratifs sur l’utilisateur. Les agents de production nécessitent des systèmes de mémoire plus sophistiqués.

Outils et frameworks

Défis actuels

Que mémoriser : tout stocker sature la mémoire avec du bruit. Ne rien stocker perd des informations utiles. L’agent doit évaluer la pertinence de chaque information, ce qui est lui-même un problème de raisonnement difficile.

Quand oublier : aucun système actuel ne maîtrise l’oubli sélectif. Les benchmarks (MemoryAgentBench, 2025) montrent que les agents échouent particulièrement sur la tâche de « selective forgetting » : oublier les informations obsolètes sans perdre les informations pertinentes.

Mémoires contradictoires : un utilisateur qui dit « j’habite à Paris » puis, 6 mois plus tard, « j’habite à Lyon » crée une contradiction. Le système doit détecter et résoudre ces conflits, ce qui nécessite un raisonnement temporel que les systèmes actuels gèrent mal.

Vie privée et confidentialité : la mémoire persistante stocke des informations personnelles. Les utilisateurs doivent pouvoir consulter, modifier et supprimer leurs mémoires. Le RGPD impose le droit à l’effacement, ce qui crée des contraintes techniques sur les systèmes de mémoire vectorielle (supprimer un embedding spécifique d’une base vectorielle n’est pas trivial).

Échelle : un agent qui accumule des mémoires pendant des mois peut avoir des milliers d’entrées. La recherche et la sélection des mémoires pertinentes parmi des milliers devient un défi computationnel et qualitatif.

Cas d’usage concrets

Assistant personnel adaptatif

Un assistant qui mémorise vos préférences de communication (ton formel ou décontracté), vos projets en cours, vos outils habituels et vos collègues. Au fil des conversations, il affine son comportement sans que vous ayez à répéter vos instructions. La memory feature de Claude et ChatGPT cible ce cas d’usage pour le grand public.

Agent de code avec mémoire projet

Claude Code utilise des fichiers CLAUDE.md comme mémoire procédurale : conventions de code du projet, décisions architecturales, patterns à suivre, erreurs à éviter. L’agent relit ce fichier à chaque nouvelle session, ce qui lui permet de reprendre le travail avec le contexte complet du projet sans que l’utilisateur ait à tout ré-expliquer.

Support client personnalisé

Un chatbot de support connecté à une mémoire client stocke l’historique des interactions, les problèmes récurrents, le niveau de satisfaction et les solutions qui ont fonctionné. Quand le client revient, l’agent adapte immédiatement son approche. Les frameworks comme Zep et Mem0 sont conçus pour ce cas d’usage, avec extraction automatique des entités et des faits des conversations.

Agents long-horizon

Un agent de recherche qui travaille pendant 2 heures sur un rapport doit externaliser ses résultats intermédiaires (sources trouvées, notes, conclusions partielles) dans une mémoire. Sans mémoire externe, le context drift dégraderait ses performances après 35 minutes. L’approche de LangChain Deep Agents : écrire les artefacts dans un filesystem virtuel et les relire sélectivement quand nécessaire.

Personnages IA persistants

Les applications de role-playing et de compagnons IA utilisent la mémoire pour maintenir la cohérence du personnage sur des mois d’interactions. La mémoire épisodique stocke les événements partagés avec l’utilisateur, la mémoire sémantique stocke les faits établis sur le personnage et l’univers, et la mémoire procédurale encode le style de communication du personnage.

Tendances 2026

Mémoire comme action : AgeMem (janvier 2026) expose les opérations mémoire (store, retrieve, update, summarize, discard) comme des outils du function calling. Le LLM décide autonomement de ses opérations mémoire, entraîné via reinforcement learning progressif. Les résultats surpassent les systèmes à mémoire gérée par heuristiques.

Mémoire cognitive : les architectures inspirées de la psychologie cognitive (ACT-R) modélisent la mémoire avec décroissance temporelle, activation par fréquence d’usage, et bruit probabiliste. L’objectif : reproduire les dynamiques de mémoire humaines (renforcement par la répétition, oubli naturel, rappel contextuel).

Évaluation standardisée : de nouveaux benchmarks (MemBench, MemoryAgentBench, MemoryArena) mesurent la mémoire des agents selon quatre dimensions : précision de la récupération, apprentissage en temps réel, compréhension long-range, et oubli sélectif. Aucun système actuel ne maîtrise les quatre.